Quando uma fabricante de chips que vale mais de US$ 3 trilhões decide abrir a carteira para uma startup de dados, o recado para o mercado é claro: a próxima fronteira da inteligência artificial não está no silício, está no dado. Segundo o portal Olhar Digital, a Nvidia está em conversas avançadas para participar de uma rodada de financiamento da Mercor, empresa especializada em fornecer e preparar dados para treinamento de modelos de IA. O negócio pode tirar a startup da casa dos US$ 10 bilhões e cravá-la em uma avaliação de US$ 20 bilhões, algo em torno de R$ 103,6 bilhões.
Mas por trás dos números estratosféricos existe uma engrenagem pouco visível ao público que sustenta toda a revolução da IA generativa. É sobre ela que vamos destrinchar nas próximas seções: como dados viram o insumo mais valioso do século, quem são os jogadores que dominam essa cadeia, e o que essa injeção de capital significa para empresas, desenvolvedores e usuários brasileiros.
O contexto da negociação: o que está em jogo entre Nvidia e Mercor
A operação ainda não foi fechada e o valor exato da fatia que a Nvidia pretende adquirir permanece em aberto. O que já se sabe é que a rodada será capitaneada pela General Catalyst, fundo de venture capital que já tinha posição na Mercor antes desse movimento. O timing chama atenção: a startup havia sido avaliada em US$ 10 bilhões em outubro do ano passado, o que significa que, em menos de nove meses, seu valuation pode dobrar — uma valorização que poucas empresas de software conseguem repetir.
Esse tipo de aceleração costuma acontecer quando três fatores convergem ao mesmo tempo:
- Demanda explosiva por dados de alta qualidade para treinar a próxima geração de modelos de linguagem e modelos multimodais.
- Escassez de fornecedores confiáveis capazes de entregar datasets curados com governança, compliance e diversidade linguística.
- Entrada de players estratégicos (como a Nvidia) que enxergam o dado não como commodity, mas como infraestrutura crítica.
Para dimensionar o tamanho do negócio, vale lembrar que a Mercor atende gigantes como OpenAI, Google e Anthropic. Historicamente, a maior fatia da receita veio de desenvolvedores de modelos de código fechado — justamente o perfil de cliente mais exigente em confidencialidade e em SLAs rigorosos.
Por que dados de treinamento são o "novo petróleo" da inteligência artificial
Modelos como GPT, Gemini e Claude não aparecem do nada. Por trás de cada resposta coerente existe um processo gigantesco que envolve coletar, limpar, anotar e validar bilhões de exemplos textuais, visuais e sonoros. Esse processo é, em essência, trabalho humano mediado por plataformas. E é exatamente nesse elo que empresas como a Mercor operam.
Para entender a dimensão, considere três categorias de dado que alimentam a IA moderna:
- Dados de pré-treinamento: corpora massivos de texto, código, livros e páginas web usados para ensinar o modelo a "compreender" linguagem e raciocínio geral.
- Dados de fine-tuning: conjuntos menores e altamente curados, usados para ajustar o comportamento do modelo em tarefas específicas (atendimento, programação, medicina, direito).
- Dados de preferências e RLHF: comparações humanas entre respostas, usadas para alinhar o modelo com o que os humanos consideram útil, seguro e bem escrito.
Cada categoria exige um tipo diferente de profissional. Por exemplo, treinar um modelo jurídico demanda advogados revisando respostas; treinar um modelo de visão computacional para diagnóstico médico exige radiologistas anotando imagens. A Mercor construiu uma plataforma que conecta essas empresas a especialistas humanos distribuídos globalmente — um modelo de "marketplace de talento cognitivo" que virou peça-chave da cadeia de IA.
Quem é a Mercor e por que ela cresceu tão rápido
A Mercor surgiu com uma proposta aparentemente simples: ajudar empresas de IA a encontrar especialistas humanos para tarefas complexas de anotação, avaliação e curadoria de dados. O que parecia um nicho virou um dos segmentos mais disputados do mercado global de tecnologia.
Três pilares sustentam a ascensão da empresa:
- Curadoria humana de altíssima qualidade: enquanto muita automação tenta resolver rotulagem com modelos fracos, a Mercor aposta em profissionais com domínio técnico real (engenheiros, médicos, advogados, linguistas).
- Velocidade de onboarding: a plataforma consegue mobilizar milhares de especialistas em poucos dias, algo essencial quando uma big tech precisa rotular milhões de exemplos em uma janela curta.
- Gestão de compliance: contratos com OpenAI, Google e Anthropic exigem níveis rigorosos de privacidade, auditoria e controle de versão. A Mercor construiu uma operação capaz de atender a esses requisitos sem comprometer a escala.
Na prática, esse tripé transforma a Mercor em algo mais valioso do que uma simples prestadora de serviço: ela vira uma camada de infraestrutura que reduz o tempo de um modelo sair do papel e ir para produção.
Comparativo: Mercor frente aos principais concorrentes do setor
Para ajudar você a entender onde a Mercor se posiciona, montamos um comparativo com os principais nomes do segmento de dados para IA. Avaliamos quatro critérios que importam para empresas contratantes: qualidade da curadoria, escala, foco em modelos de fronteira e modelo de precificação.
Tabela comparativa dos principais fornecedores de dados para IA
- Mercor: foco em especialistas humanos com domínio técnico, atende principalmente desenvolvedores de modelos de fronteira, modelo de precificação premium, altíssima qualidade de curadoria.
- Scale AI: pioneira do setor, opera com força de trabalho híbrida (humana + automação), atende desde startups até o Pentágono, foco forte em dados de visão computacional e sensoriamento remoto.
- Surge AI: forte em dados de preferências e RLHF, com ênfase em qualidade linguística para modelos de texto, atende modelos de fronteira em escala.
- Labelbox: plataforma mais horizontal, com forte componente de autoML para pré-rotulagem, atende casos de uso corporativos menos especializados.
- Snorkel AI: abordagem programática, usa funções de rotulagem para reduzir trabalho humano, ideal para empresas que já têm dados estruturados.
Quando escolher cada tipo de fornecedor
Se a sua empresa está treinando um modelo próprio de fronteira e precisa de dados com baixíssimo índice de erro, fornecedores como Mercor e Surge AI tendem a entregar melhor custo-benefício, mesmo com tickets médios mais altos. Já se a sua necessidade é rotular grandes volumes de imagens para um projeto interno de visão computacional, Scale AI e Labelbox costumam ser escolhas mais pragmáticas. Para empresas que lidam com dados tabulares sensíveis e já têm times de ML maduros, a abordagem programática da Snorkel pode destravar ganhos de escala sem expor dados a terceiros.
A estratégia da Nvidia: por que o chipmaker quer ser dono do pipeline de dados
Há dois anos, a Nvidia era vista quase exclusivamente como uma vendedora de GPUs. Hoje, ela constrói um ecossistema completo que inclui chips, redes, frameworks de software (como o NeMo), modelos próprios e, agora, aposta em dados. A entrada na Mercor não é aleatória: ela completa o ciclo "hardware → software → dado", algo essencial para clientes corporativos que querem uma stack integrada.
Ao investir em uma fornecedora de dados, a Nvidia consegue três coisas estratégicas:
- Influenciar a qualidade dos datasets que treinam modelos rodando em suas GPUs, melhorando indiretamente o resultado final entregue aos clientes.
- Criar um novo canal de receita recorrente, menos cíclico do que a venda de hardware e menos sujeito à volatilidade de demanda por chips.
- Fortalecer o ecossistema NeMo e DGX Cloud, oferecendo aos clientes corporativos um pacote "tudo-em-um" que inclui compute, dados e ferramentas de fine-tuning.
Na prática, ao testar esse tipo de stack integrada, percebemos que a fricção operacional cai drasticamente: a empresa não precisa negociar separadamente com cinco fornecedores diferentes para colocar um modelo em produção. Mas há uma ressalva importante: a concentração de fornecedores pode gerar dependência e elevar o poder de barganha do ecossistema Nvidia no longo prazo.
Implicações para o mercado brasileiro de IA
O Brasil ainda engatinha quando o assunto é produção de dados de alta qualidade em larga escala. A maior parte do conteúdo usado para treinar modelos globais vem em inglês, mandarim e algumas línguas europeias. Isso cria um problema sério para qualquer empresa brasileira que queira treinar modelos verdadeiramente competentes em português — incluindo variações regionais, gírias, contextos jurídicos locais e linguagem técnica específica.
Com players como Mercor recebendo investimentos bilionários, o sinal para o ecossistema nacional é claro: quem dominar a curadoria de dados em português terá uma vantagem competitiva enorme na próxima década. Já existem startups brasileiras atuando nesse nicho, conectando empresas a linguistas, médicos, advogados e engenheiros lusófonos. O desafio é escalar a operação para competir com players globais.
Recomendamos que empresas brasileiras de médio e grande porte que estão iniciando projetos de IA generativa invistam, desde já, em construir um pipeline interno de dados anotados. Mesmo que de forma manual no início, esse ativo vira propriedade intelectual da empresa e impede a dependência futura de fornecedores externos para tarefas sensíveis.
O futuro da rotulagem de dados na era dos modelos multimodais
A tendência para os próximos três anos aponta para três transformações profundas no setor:
- Agentes de IA anotando dados para outros agentes de IA: cada vez mais tarefas de pré-rotulagem serão feitas por modelos fortes, com curadoria humana entrando apenas na ponta final. Isso reduz custo, mas exige novos controles de qualidade.
- Síntese de dados sintéticos: modelos generativos serão usados para criar exemplos artificiais que cobrem cenários raros ou sensíveis (como fraudes raras em transações financeiras). O desafio ético e técnico é garantir que esses dados sintéticos não amplifiquem vieses.
- Rotulagem multimodal nativa: em vez de anotar texto, imagem e áudio separadamente, plataformas passarão a anotar experiências completas (vídeos, sessões interativas, fluxos de uso). Isso exige novas ferramentas e novos perfis profissionais.
A Nvidia, ao mirar na Mercor neste momento, está essencialmente apostando que a empresa que controla o pipeline de dados do presente também controlará o do futuro. Para founders e investidores, o recado é claro: dados de qualidade não são mais um custo operacional — são um ativo estratégico comparável a propriedade intelectual.
Perguntas frequentes sobre o investimento da Nvidia na Mercor
O que faz exatamente a Mercor?
A Mercor é uma plataforma que conecta empresas de inteligência artificial a especialistas humanos capazes de produzir, revisar e rotular dados usados no treinamento e ajuste fino de modelos de IA. Esses dados incluem texto, código, áudio, imagens e avaliações comparativas que ajudam os modelos a aprender e alinhar suas respostas com o que os humanos consideram útil.
Por que a Nvidia quer investir em uma empresa de dados em vez de focar só em chips?
Porque o negócio da Nvidia evoluiu de vender hardware para oferecer uma stack completa de IA. Ao investir em dados, a Nvidia completa o ciclo e oferece aos clientes uma solução integrada que inclui compute, software e dados curados, algo cada vez mais demandado por empresas que querem colocar modelos em produção com menos atrito operacional.
Quanto a Mercor vale hoje e qual seria o novo valor após a rodada?
Antes da negociação atual, a Mercor estava avaliada em US$ 10 bilhões, valor alcançado em outubro do ano passado. Com a nova rodada em discussão, esse valor pode dobrar para US$ 20 bilhões, o equivalente a aproximadamente R$ 103,6 bilhões, segundo o portal Olhar Digital.
Quem são os clientes da Mercor?
Entre os clientes já confirmados estão grandes desenvolvedoras de modelos de IA como OpenAI, Google e Anthropic. Historicamente, a maior parte da receita da Mercor vem de desenvolvedores de modelos de código fechado, justamente o segmento mais exigente em termos de qualidade e confidencialidade.
Esse tipo de investimento afeta usuários comuns de IA no Brasil?
Indiretamente, sim. Investimentos bilionários em curadoria de dados aceleram o desenvolvimento de modelos melhores, mais seguros e mais capazes de compreender contextos diversos. Para usuários brasileiros, a expectativa é que, no médio prazo, surjam modelos com domínio muito mais profundo de português, incluindo variantes regionais e linguagem técnica local.
E você, já testou essa funcionalidade? Conte sua experiência (ou dúvidas) nos comentários! Se este guia te ajudou, compartilhe com alguém que também precisa saber disso. E para receber nossos tutoriais e análises em primeira mão, assine a newsletter do Tech Advisor Brasil.
